기계 학습을 사용한 하위 집단별 패혈증 식별
연구 개요
상태
상태
정황
정황
개입 / 치료
개입 / 치료
상세 설명
2020년 7월부터 2021년 2월까지 CRMC, OH 및 UCSF의 8개 하위 모집단에 걸쳐 무작위 대조 시험(RCT)을 수행할 예정입니다. 시험에 포함될 소집단은 다음과 같습니다: 심장학, 위장병학(GI), 중환자실(ICU), 의학, 종양학, 외과, 이식 및 응급실(ED). RCT를 포함한 두 단계에 걸친 이 연구의 모든 목적은 정보에 입각한 동의의 포기와 함께 Pearl Institutional Review Board의 승인을 받았습니다(IRB00007772, FWA00026887).
연구 기간 동안 응급실에 내원하거나 참여 시설의 입원 환자 병동에 입원하는 18세 이상의 모든 환자가 이 연구에서 관심 있는 8개의 하위 모집단 중 하나에 속하는 경우 자동으로 시험에 등록됩니다. , 연구의 목표 등록이 충족될 때까지. 등록은 대조군 또는 실험군에 대한 무작위화를 수반합니다. 환자는 1:1 할당 비율로 단순 무작위화를 사용하여 시험 시작 전에 컴퓨터 프로그램에 의해 생성된 무작위 할당 시퀀스를 기반으로 실험 그룹 또는 제어 그룹에 할당됩니다. 이 할당 순서는 환자, 의료 제공자 및 연구 조사자에게 숨겨집니다. 그러나 전화 알림을 받으면 일부 그룹 할당이 자연스럽게 드러나기 때문에 완전한 눈가림이 불가능하기 때문에 시험은 개방형 라벨 디자인을 가질 것입니다.
연구에는 두 개의 부문이 있을 것입니다. 컨트롤 암에는 원래 버전의 InSight로 모니터링되는 환자가 포함되며 실험용 암에는 소집단 맞춤형 버전의 InSight로 모니터링되는 환자가 포함됩니다. 양쪽 팔에서 적용 가능한 알고리즘이 환자가 중증 패혈증 위험이 높다고 판단하면 환자의 현재 위치에서 근무 중인 담당 간호사에게 전화 알림이 전송됩니다. 경고에 대한 응답은 이전 패혈증 임상 시험의 프로토콜을 따릅니다. 절차는 의심되는 감염을 배제하기 위해 환자 병상 평가를 수행하는 간호사로 구성됩니다. 여기에는 환자 활력 징후, EHR 기록 및 최근 실험실 결과 평가가 포함됩니다. 간호사가 심각한 패혈증을 의심하는 경우 의사는 이후에 환자를 평가하고 적절한 경우 표준 패혈증 치료 번들 투여를 지시합니다.
임상 시험 관리에서 일부 공개 라벨 연구는 군집 무작위 배정되는 반면 다른 연구는 개별 환자 수준에서 무작위 배정됩니다. 군집 무작위화는 치료군과 대조군 사이의 "오염"을 최소화하기 위해 자주 사용되는데, 공개 라벨 연구에서 공급자가 양 팔 환자에게 노출되면 종종 의도하지 않은 행동 편향이 발생하기 때문입니다. 이러한 편향으로 인해 제공자는 통제 그룹에서 개입을 조정하여 실험 그룹에서 자신의 행동을 모방하여 개입의 효과를 가리고 연구 결과를 null로 왜곡할 수 있습니다. 공개 라벨 클러스터 무작위 시험은 그룹 간 오염을 최소화하는 데 효과적이지만 설계 및 분석이 더 복잡하고 동일한 통계적 검정력을 달성하기 위해 더 큰 환자 등록 요구 사항을 포함하여 몇 가지 중요한 단점이 있습니다. 더 큰 샘플 크기는 종종 비용, 기간 또는 시험의 복잡성 증가를 필요로 하기 때문에 현재 연구에서는 클러스터 할당의 단점으로 인해 시험자가 가능한 경우 개별 무작위화를 사용해야 한다고 지적했습니다. 이러한 고려 사항을 고려할 때, 우리는 개별 무작위 배정이 통계적 힘을 상당히 증가시키고 각 환자 결과를 다른 모든 환자와 독립적으로 평가할 수 있기 때문에 우리 시험에 가장 적합한 전략이라고 결론지었습니다. 편향 가능성을 최소화하기 위해 자동 전화 통화 텍스트를 양쪽 팔에서 동일하게 만들기로 결정했습니다. 우리의 이전 패혈증 임상 시험에서 환자 수준 무작위화를 성공적으로 사용함으로써 우리는 이 시험 설계에 대한 확신을 갖게 되었습니다.
마지막 등록 환자 퇴원 후 병원 내 SIRS 기반 사망률의 1차 종료점과 병원 내 중증 패혈증/쇼크 코드 사망률, SIRS 기반 입원 기간 및 중증 패혈증의 2차 종료점인지 여부를 평가합니다. /shock-coded 병원 재원 기간이 충족되었습니다. 각 SIRS 기반 및 중증 패혈증/쇼크 코딩 환자 그룹에 대한 관심 있는 추가 결과 측정에는 다음이 포함됩니다. 생존 패혈증 캠페인(SSC) 번들의 각 요소 완료 시간; 인공호흡기 없는 날; 중환자실 일수; 30일 병원 재입원율. 1시간 SSC 번들은 혈액 배양 채취, 젖산 수치 측정, 광범위 항생제 투여, 고혈압 또는 젖산 >4mmol/L의 경우 30mL/kg의 결정질액 투여, 환자가 도중 또는 이후에 저혈압인 경우 승압제 적용으로 구성됩니다. 수액 소생술.
환자는 "SIRS 기반"으로 간주되며 머무는 동안 어느 시점에서든 2개 이상의 SIRS 기준을 충족하는 경우 1차 평가변수 분석에 포함됩니다. 이 포함 기준에 대한 이유는 알고리즘이 차트에서 명백해지기 전에 중증 패혈증을 감지할 수 있으므로 패혈증은 의료 기록에 중증 패혈증이 기록되기 전에 조기 개입으로 해결될 수 있기 때문입니다. 예를 들어, 장기 기능 장애 표시 실험실이 도출되기 전에 CDS 경보 결과 치료가 시작되면 환자의 "심각한 패혈증" 상태가 검열될 수 있습니다. 포함 기준을 2001년 합의(패혈증-2) 중증 패혈증 정의 기준 또는 패혈증-3 기준으로 제한하면 이러한 환자는 분석에서 제외됩니다. 그러나 SIRS 기반 포함 기준을 사용하면 이러한 검열을 피할 수 있습니다.
우리는 환자 결과에 대해 보다 객관적인 측정을 제공할 수 있는 능력으로 인해 청구 기반 데이터와 달리 1차 종점 분석을 위해 EHR 기반 임상 데이터에서 가져올 계획입니다. 그러나 코딩 기반 포함을 사용하는 다른 연구와 비교하기 위해 청구 데이터는 2차 평가변수의 포함 기준에 사용됩니다. 환자는 Angus 구현 기준 또는 다음 진단 코드 중 하나를 충족하는 경우 "심각한 패혈증/패혈성 쇼크 코딩"으로 문서화된 것으로 간주되고 2차 평가변수 분석에 포함됩니다. 패혈증 코드가 A400, A401, A403인 R6520 및/또는 R6521 , A408, A4101, A4102, A411, A412, A413, A414, A4150, A4151, A4152, A4153, A4159, A4181, A4189, A427, A021, A227, A267, A327, A5486, B377. 패혈증 추적을 위한 명시적 ICD 코드 단독 사용은 특이도는 높지만 민감도는 낮은 것으로 알려져 있습니다.
연구가 끝나면 중요한 연구 결과가 과학 논문으로 출판될 것입니다.
연구 유형
연구 유형
단계
단계
- 2 단계
참여기준
자격 기준
자격 기준
공부할 수 있는 나이
건강한 자원 봉사자를 받아들입니다
연구 대상 성별
설명
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 특수 증상
- 할당: 무작위
- 중재 모델: 평행한
- 마스킹: 삼루타
팔의 수
무기와 개입
참가자 그룹 / 팔참가자 그룹 / 팔 |
개입 / 치료개입 / 치료 |
|---|---|
|
실험적: 하위 모집단별 알고리즘
|
중증 패혈증 검출을 위한 소집단별 임상 의사 결정 지원(CDS) 시스템
|
|
NO_INTERVENTION: 제어 알고리즘
|
연구는 무엇을 측정합니까?
주요 결과 측정
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
병원 내 SIRS 기반 사망률
기간: 학업 수료까지 평균 8개월
|
입원 중 어느 시점에서 2개 이상의 SIRS 기준을 충족하는 환자로 인한 사망
|
학업 수료까지 평균 8개월
|
2차 결과 측정
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
병원 내 중증 패혈증/쇼크 코드 사망률
기간: 학업 수료까지 평균 8개월
|
중증 패혈증 또는 패혈성 쇼크로 코딩된 환자에 기인한 사망
|
학업 수료까지 평균 8개월
|
|
SIRS 기반 병원 재원 기간
기간: 학업 수료까지 평균 8개월
|
입원 중 어느 시점에서 두 개 이상의 SIRS 기준을 충족하는 환자의 입원 기간
|
학업 수료까지 평균 8개월
|
|
중증 패혈증/쇼크 코드 입원 기간
기간: 학업 수료까지 평균 8개월
|
중증 패혈증 또는 패혈성 쇼크로 분류된 환자의 입원 기간
|
학업 수료까지 평균 8개월
|
공동 작업자 및 조사자
협력자
협력자
간행물 및 유용한 링크
일반 간행물
- Desautels T, Calvert J, Hoffman J, Mao Q, Jay M, Fletcher G, Barton C, Chettipally U, Kerem Y, Das R. Using Transfer Learning for Improved Mortality Prediction in a Data-Scarce Hospital Setting. Biomed Inform Insights. 2017 Jun 12;9:1178222617712994. doi: 10.1177/1178222617712994. eCollection 2017.
- Calvert J, Mao Q, Rogers AJ, Barton C, Jay M, Desautels T, Mohamadlou H, Jan J, Das R. A computational approach to mortality prediction of alcohol use disorder inpatients. Comput Biol Med. 2016 Aug 1;75:74-9. doi: 10.1016/j.compbiomed.2016.05.015. Epub 2016 May 24.
- Calvert JS, Price DA, Barton CW, Chettipally UK, Das R. Discharge recommendation based on a novel technique of homeostatic analysis. J Am Med Inform Assoc. 2017 Jan;24(1):24-29. doi: 10.1093/jamia/ocw014. Epub 2016 Mar 28.
- Calvert J, Mao Q, Hoffman JL, Jay M, Desautels T, Mohamadlou H, Chettipally U, Das R. Using electronic health record collected clinical variables to predict medical intensive care unit mortality. Ann Med Surg (Lond). 2016 Sep 6;11:52-57. doi: 10.1016/j.amsu.2016.09.002. eCollection 2016 Nov.
- Shimabukuro DW, Barton CW, Feldman MD, Mataraso SJ, Das R. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir Res. 2017 Nov 9;4(1):e000234. doi: 10.1136/bmjresp-2017-000234. eCollection 2017.
연구 기록 날짜
연구 주요 날짜
연구 시작 (예상)
연구 시작
기본 완료 (예상)
기본 완료
연구 완료 (예상)
연구 완료
연구 등록 날짜
최초 제출
최초 제출
QC 기준을 충족하는 최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
처음 게시됨
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
마지막 업데이트 게시됨
QC 기준을 충족하는 마지막 업데이트 제출
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
기타 연구 ID 번호
- 18-347718
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .